pytorch tensor 张量常用方法介绍

1.  view( )函数

PyTorch 中的view( )函数相当于numpy中的resize( )函数，都是用来重构(或者调整)张量维度的，用法稍有不同。

?

1 2 3 4 5 6 7

>>> import torch >>> re = torch.tensor([1, 2, 3, 4, 5,  6]) >>> result = re.view(3,2) >>> result tensor([[1, 2],         [3, 4],         [5, 6]])

i.e.view(3, 2)将张量重构成了3x2维的张量。

view(-1)

?

1 2 3 4 5 6 7

>>> import torch >>> re = torch.tensor([[1, 2],             　　　　[3, 4],                       [5, 6]]) >>> result = re.view(-1) >>> result tensor([1, 2, 3, 4, 5, 6])

i.e.view(-1)将张量重构成了1维的张量。

view(-1, 参数b)

?

1 2 3 4 5 6 7

>>> import torch >>> re = torch.tensor([1, 2, 3, 4, 5,  6]) >>> result = re.view(-1, 2) >>> result tensor([[1, 2],         [3, 4],         [5, 6]])

i.e.torch.view(-1, 参数b)，则表示在参数a未知，参数b已知的情况下自动补齐行向量长度，在这个例子中b=3，re总共含有6个元素，则a=6/2=3。

 2. squeeze()函数

squeeze()函数的功能是维度压缩。返回一个tensor（张量），其中 input 中大小为1的所有维都已删除。

举个例子：如果 input 的形状为 (A×1×B×C×1×D)，那么返回的tensor的形状则为 (A×B×C×D)

当给定 dim 时，那么只在给定的维度（dimension）上进行压缩操作。

  3. no_grad()函数

torch.no_grad() 一般用于神经网络的推理阶段, 表示张量的计算过程中无需计算梯度

  4. max()函数

torch.max(input, dim, max=None, max_indices=None) -> (Tensor, LongTensor)

返回输入张量给定维度上每行的最大值，并同时返回每个最大值的位置索引。

  5. eq()函数

torch.eq(input, other, *, out=None)

Parameters（参数）:
input ：必须是一个Tensor，该张量用于比较
other ：可以是一个张量Tensor，也可以是一个值value
return（返回值）：返回一个Boolean类型的张量，对两个张量Tensor进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False。

?

1 2 3 4 5 6

x = torch.tensor([[1, 2], [3, 4]]) y = torch.tensor([[1, 1], [3, 3]]) print(x) print(y) out = torch.eq(x, y) print(out)

 一般用法：

?

1	acc += torch.eq(predict_y, val_labels).sum().item()

   6. item()函数

.item()方法返回张量元素的值

注：张量中只有一个元素才能调用该方法，多个元素会报错：